python - 如何确保 re.findall() 停在正确的位置？

Question

这是我的代码：

a='<title>aaa</title><title>aaa2</title><title>aaa3</title>'
import re
re.findall(r'<(title)>(.*)<(/title)>', a)

结果是：

[('title', 'aaa</title><title>aaa2</title><title>aaa3', '/title')]

如果我曾经设计过一个爬虫来获取网站的标题，我最终可能会得到类似这样的东西，而不是网站的标题。

我的问题是，我如何限制findall为 single <title></title>？

score 13 · Accepted Answer

如果您只想要一个匹配项，请使用re.search而不是：re.findall

>>> s = '<title>aaa</title><title>aaa2</title><title>aaa3</title>'
>>> import re
>>> re.search('<title>(.*?)</title>', s).group(1)
'aaa'

如果您想要所有标签，那么您应该考虑将其更改为非贪婪（即 - .*?）：

print re.findall(r'<title>(.*?)</title>', s)
# ['aaa', 'aaa2', 'aaa3']

但真正考虑使用 BeautifulSoup 或 lxml 或类似的东西来解析 HTML。

score 5 · Accepted Answer

改用非贪婪搜索：

r'<(title)>(.*?)<(/title)>'

问号表示匹配尽可能少的字符。现在您的 findall() 将返回您想要的每个结果。

score 2 · Accepted Answer

2

re.findall(r'<(title)>(.*?)<(/title)>', a)

?在之后添加一个*，所以它是非贪婪的。

于 2013-07-20T19:16:32.270 回答

score 1 · Accepted Answer

1

使用 BeautifulSoup 模块会容易得多。

于 2014-05-21T08:55:03.810 回答

4 回答 4